@ngu #59 你理解反了。

所谓程序正义，指的是审判过程中的程序是否正义（符合规定），比如双方是否都享有同等辩护的权利，证据材料具备三性，审判人员是否徇私枉法等等，这就是程序。也就是更多的关注的是过程。

而实体正义，更多指的是结果，以你说为例：“不存在的事儿竟然都都认定为了事实”，这是实体，并且这是法院认定的法律事实，虽然你认为客观事实并非如此。

在你的主观认识里，你是认为法院认定的法律事实和你认为的客观事实发生了偏差，这就是实体问题，而非程序问题。

但无新证据材料的情况下，二审法院通常更注重程序，而非实体。

@ngu #33 事实上，AI 也不算错，是做了很多事情，但是做了这些事情后的，结果是不变的。也就是他们也要做很多程序上的事情。

同时结论也并不绝对，个例永远是有的。我记得我看到过 2025 年的数据，二审维持原判的概率在 90%以上，二审直接改判的大概 5%，发回重审的大概 5%

而这 10%里面还有相当一部分是提交了新证据的，换而言之，客观情况未发生改变的情况下，改判概率极低，虽然不等于零。

不说阴谋论的事情，就程序上来讲，法院的判决书出来，并不是你当庭看到的那一个主审法官可以决定的，他起草以后，是需要提法院内的审判委员会审议的，通过后，才能盖章，最后到你看到的法庭上，说出那句“本院宣判”。

也就是说，在客观条件未改变的情况下，一审主审法官，一审的整个审判委员会全部对事实审查错误的概率本身就很低了。所以二审的主要就是审程序问题，实体一般不会有很大的问题，个例上也许会有，比如用照片鉴定 DNA 这种重大的证据瑕疵。

另一方面，民事案件的证据要求本来就比刑事案件低很多。

还有一个点，可能很多人不理解，法院审理的是法律事实，而非客观事实。法院的人并没有和你亲身经历你的事情，他也没法开天眼，他不知道客观情况到底是什么样子。他只能依据双方提交的证据材料和生活常识，来推定一个法律规则框架下，能够认定的事实，并依据这个法律认定的事实作出裁判。

推定事实有时候很接近客观事实，有时候可能会偏离很大，但这是没办法的事情。

因此，法院是在确保程序正义的情况下，尽量实现实体正义，也就是程序是优先于实体的，为了实现程序正义是会牺牲一些实体上的正义。

在没有新证据，没有客观情况重大改变的情况下，民商事，行政，刑事二审主要是做形式审查，而非实质审查。

也就是一审是否存在适用法律错误，违反法庭审判规则，非法证据的情况，如果都没有的话，99%是维持原判。其并不审查一审已经审查的证据材料，认定的事实。

再说白一点，没有新证据的情况下，二审大多数情况下是看一审程序是否正义，只要程序上没有瑕疵，基本没有改判概率。

升级后你的可用额度=Pro 订阅原本的额度 - 你当前订阅已用额度

整个二手的 Windows 掌机，几百块钱到一千出头，啥都能放，体积也小。

@sskycn #11 https://support.google.com/googleplay/android-developer/thread/390468411/getting-error-code-prs-rpcpm-18-when-trying-to-redeem-promo-code

If you've been invited to become a tester, make sure you're signed in to the account that was invited to the testing program. If you've been invited to a Google Group as part of the program, make sure you've joined the Group.

https://imgur.com/a/XwD9m6Q


@yangjirun #3 其实早两年买，还是很便宜的，当时我这个内存加起来 128G ，都不到 1000 块钱。不过 Mac 倒是一直都不便宜是了

现在确实价格很疯狂了。

是否有建模能力，没有的话，优先考虑入门款，比如拓竹的 A1 ，价格便宜，后期吃灰也不心痛

是如何联系 Googleplay 的，通常这只有机器人，然后通常也就只有拒绝退款

你要想省事，直接给 ssh ，然后大模型就啥都能干了

如果你想安全一点，限定它的能力，python 的 FastMCP ，可以很快搭出来一个，就看你想暴露哪些能力给大模型了。其实我认为 mcp 只需要给个 exec 方法就够了，限定一个可执行命令行的白名单。

原理可以先了解，然后手搓简单版本的试一下效果，比如 tool call 是怎么实现的

原理本质上并不复杂，AgentLoop 、ReAct 往简单了说就是 for/while 循环

但是没手搓过，可能对这个循环的概念并不深刻

只要不涨价，就还是好同志。要是敢和 GLM 一样涨价，那就只能是路边一条了。

我现在常用的分析工作，都是丢给 deepseek v4 flash ，从结果看，其实挺不错。而且还便宜，还快。现在的 GPT 速度是慢到姥姥家了。

跑了几亿多 token 也没花几个钱

我的用途主要是逆向，大多是几十个小时到几天的长任务，国内的模型这方面的审查低很多。缺点就是几乎没有主观能动性，以及偷懒。需要给出详细的方法论和验收标准，那就能执行的不错，因此比较依赖使用人员的经验，如果人本身在这方面不熟悉，就很容易被 deepseek 带沟里，或者长时间原地空转。

换而言之，就是 deepseek 在用户描述不准确的情况下，不太能把握住用户的真实需求，加上它容易脑补，就给人的感觉有点垃圾。

供参考： https://www.bilibili.com/video/BV17ojA6SEo5/

用量其实比想象的少，总 token 消耗÷总消息树，得出平均每个消息 49429 tokens

不清楚消息数的统计口径，如果多轮对话里，每次都算一个消息数的话，其实在经过多轮对话后，这个平均的 token 并不算高。

失败了

>> 目前没有找到直接匹配“畅爽无负担”的优惠券